DOI: https://doi.org/10.1038/s41598-025-85115-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39820510
تاريخ النشر: 2025-01-16
المؤلف: Shubhranshu Mohan Parida وآخرون
الموضوع الرئيسي: تقنيات تحسين أنظمة الطاقة الشمسية
نظرة عامة
تقدم ورقة البحث خوارزمية التطور التفاضلي المحسن (EDE) التي تهدف إلى تحسين تحديد معلمات نماذج الطاقة الشمسية الكهروضوئية (PV)، وهو أمر ضروري لمحاكاة دقيقة وتقييم الأداء. تسلط الدراسة الضوء على التحديات التي تطرحها عدم الخطية المعقدة والخصائص الأساسية لأنظمة الطاقة الشمسية، مما يستلزم تحسين تقنيات النمذجة. تستخدم خوارزمية EDE المقترحة استراتيجية طفرات محددة المرحلة التي تعدل بشكل تكييفي عامل الطفرة ومعدل التقاطع طوال عملية البحث. يتم تأطير التحسين كدالة هدف واحدة، وهي على وجه التحديد خطأ الجذر المتوسط التربيعي (RMSE) بين القيم الحالية التجريبية والمشتقة من النموذج، مع الالتزام بقيود المعلمات.
تم إجراء محاكاة شاملة على خلايا ووحدات الطاقة الشمسية المختلفة، بما في ذلك خلايا RTC France وPVM-752-GaAs، بالإضافة إلى وحدات ND-R250A5 وSTM6 40/36 وSTP6 120/36. تشير النتائج إلى أن تقنية EDE حققت قيم RMSE أقل بكثير من تلك التي تم الحصول عليها باستخدام خوارزميات أخرى معروفة، مما يدل على دقتها وفعاليتها المتفوقة. تشير النتائج إلى أن خوارزمية EDE تعزز عملية البحث خلال مراحل الاستكشاف والاستغلال، مما يؤدي إلى تحسين تحديد المعلمات. كما تؤكد الدراسة على الحاجة إلى أبحاث مستقبلية لمعالجة العوامل البيئية التي تؤثر على أداء الطاقة الشمسية واستكشاف تقنيات هجينة قد تعزز كفاءة ودقة تحديد المعلمات بشكل أكبر.
النتائج
يقدم قسم النتائج تحليلًا شاملاً لتقنية EDE المقترحة لتحديد المعلمات في وحدات الطاقة الشمسية الكهروضوئية (PV)، مقارنة أدائها مع طرق أخرى معروفة مثل EEFO وMGO وFBIA وDE. تم إجراء المحاكاة باستخدام MATLAB R2018b، وتلخص النتائج في دراسات حالة مختلفة تشمل وحدات الطاقة الشمسية المختلفة، بما في ذلك RTC France وPVM-752-GaAs وND-R250A5 وSTM6 40/36 وSTP6 120/36.
في كل دراسة حالة، أظهرت تقنية EDE دقة متفوقة، محققة أدنى قيم لخطأ الجذر المتوسط التربيعي (RMSE) مقارنة بالتقنيات الأخرى. على سبيل المثال، حققت وحدة الطاقة الشمسية ND-R250A5 RMSE قدره $7.697716 \times 10^{-3}$، بينما سجلت وحدة STM6 40/36 RMSE قدره $1.772095 \times 10^{-3}$. أدت المعلمات المحددة إلى خصائص I-V التي تطابقت بشكل وثيق مع البيانات التجريبية، مما يدل على قوة نهج EDE. على الرغم من أن بعض المؤشرات الفردية أظهرت قيم خطأ مطلق تكاملي (IAE) أعلى قليلاً مقارنة بالطرق الأخرى، إلا أن الأداء العام لتقنية EDE كان أفضل باستمرار عبر معظم نقاط البيانات التجريبية، مما يؤكد فعاليتها في تحديد معلمات خلايا الطاقة الشمسية بدقة ونمذجة خصائص I-V في الوقت الحقيقي لمختلف التطبيقات.
المناقشة
في هذا القسم، تناقش الدراسة نماذج خلايا الطاقة الشمسية الكهروضوئية (PV) المختلفة، بما في ذلك تكوينات الديود الأحادي والثنائي والثلاثي، جنبًا إلى جنب مع دوائرها الكهربائية المعادلة. يتميز كل نموذج بمعلمات مثل التيار الناتج عن الفوتونات، والتيارات المشبعة، وعوامل المثالية، والمقاومات، والتي يتم تمثيلها رياضيًا من خلال معادلات مستمدة من قانون كيرشوف للتيار. يتم صياغة التيار الناتج لكل نموذج، مما يسمح بفهم شامل للسلوك الكهربائي لخلايا الطاقة الشمسية تحت تكوينات مختلفة.
كما يقدم القسم دالة هدف لتحديد المعلمات، تُعرف بأنها خطأ الجذر المتوسط التربيعي (RMSE) بين التيارات التجريبية والمقدرة. يتم التعامل مع هذه المشكلة التحسينية باستخدام خوارزمية التطور التفاضلي (DE)، والتي يتم تسليط الضوء عليها لفعاليتها في التعامل مع الدوال متعددة القمم وتجنب القيم الدنيا المحلية. تُقدم تقنية التطور التفاضلي المحسن (EDE) كتحسين على DE التقليدية، حيث تتضمن استراتيجيات تكييفية لمعدلات الطفرة والتقاطع لتعزيز الاستكشاف والاستغلال خلال عملية التحسين. يتم التحقق من أداء EDE من خلال تحليلات إحصائية مقارنة بوظائف اختبار مرجعية، مما يظهر نتائج متفوقة مقارنة بتقنيات التحسين الأخرى، وبالتالي يؤكد فعاليتها في تحديد معلمات نماذج الطاقة الشمسية بدقة.
DOI: https://doi.org/10.1038/s41598-025-85115-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39820510
Publication Date: 2025-01-16
Author(s): Shubhranshu Mohan Parida et al.
Primary Topic: Photovoltaic System Optimization Techniques
Overview
The research paper presents an enhanced differential evolution (EDE) algorithm aimed at optimizing the parameter identification of solar photovoltaic (PV) models, which is essential for accurate simulation and performance assessment. The study highlights the challenges posed by the inherent nonlinearity and complexity of PV systems, necessitating improved modeling techniques. The proposed EDE algorithm utilizes a stage-specific mutation strategy that adaptively adjusts the mutation factor and crossover rate throughout the search process. The optimization is framed as a single objective function, specifically the Root Mean Square Error (RMSE) between experimental and model-derived current values, while adhering to parameter constraints.
Extensive simulations were conducted on various PV cells and modules, including RTC France and PVM-752-GaAs cells, as well as ND-R250A5, STM6 40/36, and STP6 120/36 modules. The results indicate that the EDE technique achieved RMSE values significantly lower than those obtained using other established algorithms, demonstrating its superior accuracy and efficacy. The findings suggest that the EDE algorithm enhances the search process during both exploration and exploitation stages, leading to improved parameter identification. The study also emphasizes the need for future research to address environmental factors affecting PV performance and to explore hybrid techniques that may further enhance parameter identification efficiency and accuracy.
Results
The results section presents a comprehensive analysis of the proposed EDE technique for parameter identification in photovoltaic (PV) modules, comparing its performance with other established methods such as EEFO, MGO, FBIA, and DE. The simulations were conducted using MATLAB R2018b, and the findings are summarized in various case studies involving different PV modules, including RTC France, PVM-752-GaAs, ND-R250A5, STM6 40/36, and STP6 120/36.
In each case study, the EDE technique demonstrated superior accuracy, achieving the lowest root mean square error (RMSE) values compared to other techniques. For instance, the ND-R250A5 PV module achieved an RMSE of $7.697716 \times 10^{-3}$, while the STM6 40/36 PV module recorded an RMSE of $1.772095 \times 10^{-3}$. The identified parameters led to I-V characteristics that closely matched experimental data, indicating the robustness of the EDE approach. Although some individual indices showed slightly higher integral absolute error (IAE) values compared to other methods, the overall performance of the EDE technique was consistently better across the majority of experimental data points, confirming its efficacy in accurately identifying PV cell parameters and modeling real-time I-V characteristics for various applications.
Discussion
In this section, the research discusses various photovoltaic (PV) cell models, including single, double, and triple diode configurations, along with their respective electrical equivalent circuits. Each model is characterized by parameters such as photon-generated current, saturation currents, ideality factors, and resistances, which are mathematically represented through equations derived from Kirchhoff’s current law. The output current for each model is formulated, allowing for a comprehensive understanding of the electrical behavior of PV cells under different configurations.
The section also introduces an objective function for parameter identification, defined as the root mean square error (RMSE) between experimental and estimated currents. This optimization problem is approached using the Differential Evolution (DE) algorithm, which is highlighted for its effectiveness in handling multi-modal functions and avoiding local minima. The proposed Enhanced Differential Evolution (EDE) technique is presented as an improvement over traditional DE, incorporating adaptive strategies for mutation and crossover rates to enhance exploration and exploitation during the optimization process. The performance of the EDE is validated through statistical analyses against benchmark test functions, demonstrating superior results compared to other optimization techniques, thereby affirming its efficacy in accurately identifying PV model parameters.